[論文レビュー] Probabilistic $K$-mean with local alignment for clustering and motif discovery in functional data

Marzia A. Cremona, Francesca Chiaromonte|arXiv (Cornell University)|Aug 14, 2018

Bioinformatics and Genomic Networks参考文献 28被引用数 5

ひとこと要約

この論文は、局所アラインメントを組み合わせた新しい確率的K平均クラスタリング手法probKMAを紹介する。この手法は、ずれのある関数的データから繰り返し現れる典型的な形状（機能的モチーフ）を同定することを目的としている。局所アラインメント、微分に基づく類似性、およびファジィクラスタリングを統合することで、事前にモチーフの数、長さ、ばらつきを指定することなく、モチーフを同定する。シミュレーションおよび成長曲線、COVID-19死亡率、および変異原性研究からの実データにおいて、グローバル手法を上回る性能を示した。

ABSTRACT

We develop a new method to locally cluster curves and discover functional motifs, i.e.~typical ``shapes'' that may recur several times along and across the curves capturing important local characteristics. In order to identify these shared curve portions, our method leverages ideas from functional data analysis (joint clustering and alignment of curves), bioinformatics (local alignment through the extension of high similarity seeds) and fuzzy clustering (curves belonging to more than one cluster, if they contain more than one typical ``shape''). It can employ various dissimilarity measures and incorporate derivatives in the discovery process, thus exploiting complex facets of shapes. We demonstrate the performance of our method with an extensive simulation study, and show how it generalizes other clustering methods for functional data. Finally, we provide real data applications to Berkeley growth data, Italian Covid-19 death curves and ``Omics'' data related to mutagenesis.

研究の動機と目的

• ずれのある曲線における機能的モチーフ（繰り返される局所的形状）を同定する統計的手法のギャップを埋める。
• 事前にモチーフの長さ、数、ばらつきを指定しない手法を開発する。
• グローバルな曲線アラインメントではなく、局所的で形状に基づく類似性に焦点を当てることで、既存のクラスタリングおよびアラインメント手法を一般化する。
• 曲線が複数の異なるモチーフを含む場合に複数のクラスタに属する可能性を認める確率的クラスタリングを可能にする。
• 単変量および多変量の関数的データに適用可能な柔軟でデータ駆動型のモチーフ同定アプローチを提供する。

提案手法

• バイオインフォマティクスのBLASTにインspiredされたシード拡張を用いた局所アラインメントにより、類似度の高い曲線セグメントを同定する。
• 曲線のクラスタへの所属がソフトな確率的K平均フレームワークを採用し、1曲線に複数のモチーフ関連付けを可能にする。
• 関数値と微分を両方とも類似性測定に組み込み、複雑な形状特性を捉える。
• Bスプラインスムージングを適用してノイズを低減し、モチーフ内のばらつきをモデル化することで、検出のロバスト性を向上させる。
• クラスタ評価のための一般化されたシルエットインデックスと、類似したモチーフを統合する後処理ステージを実装する。
• シミュレーションに基づく推論を用いて、背景ノイズを考慮した発見されたモチーフの統計的有意性を評価する。

実験結果

リサーチクエスチョン

• RQ1 クラスタリング手法は、事前にモチーフの長さや数を知らずに、ずれのある関数的データから繰り返し現れる局所的形状（モチーフ）を検出できるか？
• RQ2 関数的データクラスタリングにおいて、グローバルアラインメントと比較して、局所アラインメントはどのようにモチーフ同定を改善するか？
• RQ3 本手法は、成長曲線や変異原性データなどの現実の関数的データにおいて、生物学的に意味のあるモチーフをどの程度検出できるか？
• RQ4 微分とスムージングを組み込むことで、ノイズの多い曲線における微細な形状パターンの検出はどのように向上するか？
• RQ5 背景ノイズにおける発見されたモチーフの統計的有意性は何か、そしてどのように評価できるか？

主な発見

• probKMAは、短い、ノイズの多い、または曲線全体に散らばったモチーフを含むシミュレーションデータにおいても、機能的モチーフを効果的に同定できた。
• 本手法は、データからモチーフの長さやばらつきを適応的に学習するため、グローバルアラインメントや固定長モチーフ同定手法を上回る性能を示した。
• バークレーの成長データでは、グローバル手法が捉えられなかった生物学的に妥当な発達的成長パターンをprobKMAが同定した。
• イタリアのCOVID-19死亡曲線では、地域間で共通する流行波の形状（エピデミック波）が同定され、共通の流行ダイナミクスが明らかになった。
• 変異原性データでは、各モチーフが明確に異なるゲノム的背景を示しており、例としてモチーフ13はエクソンおよび保存領域に富んでおり、機能的関連性を示唆した。
• 本手法は、しばしば「意図しないが統計的に検出可能な」モチーフを背景ノイズから検出する傾向があるため、今後の研究では有意性検定の重要性が強調された。